Movement Quality: A Novel Biomarker Based on Principles of Neuroscience
Notice bibliographique
Résumé
A major problem in neurorehabilitation is the lack of objective outcomes to measure movement quality. Movement quality features, such as coordination and stability, are essential for everyday motor actions. These features allow reacting to continuously changing environment or to resist external perturbations. Neurological disorders affect movement quality, leading to functionally impaired movements. Recent findings suggest that the central nervous system organizes motor elements (eg, muscles, joints, fingers) into task-specific ensembles to stabilize motor tasks performance. A method to quantify this feature has been previously developed based on the uncontrolled manifold (UCM) hypothesis. UCM quantifies movement quality in a spatial-temporal domain using intertrial analysis of covariation between motor elements. In this point-of-view article, we first describe major obstacles (eg, the need for group analysis) that interfere with UCM application in clinical settings. Then, we propose a process of quantifying movement quality for a single individual with a novel use of bootstrapping simulations and UCM analysis. Finally, we reanalyze previously published data from individuals with neurological disorders performing a wide range of motor tasks, that is, multi-digit pressing and postural balance tasks. Our method allows one to assess motor quality impairments in a single individual and to detect clinically important motor behavior changes. Our solution may be incorporated into a clinical setting to assess sensorimotor impairments, evaluate the effects of specific neurological treatments, or track movement quality recovery over time. We also recommended the proposed solution to be used jointly with a typical statistical analysis of UCM parameters in cohort studies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».